%% ESTADÍSTICOS BÁSICOS DE UNA REGRESIÓN LINEAR SIMPLE
X1 = [ones(size(data,1),1) data(:,1:5)];
y = data(:,6);
[b,bint,r,rint,stats] = regress(y,X1)
% la parte del comando (ones(size(data,1),1)), crea un vector de 1 que permite que el modelo cuente % con una constante, en caso contrario el modelo no tendría constante. Es decir para estimar un % modelo de regresión a través del origen, eliminamos esa parte del comando.
stats = regstats(returns(:,1),returns(:,2))
t = stats.tstat;
CoeffTable = dataset({t.beta,'Coef'},{t.se,'StdErr'}, ...
{t.t,'tStat'},{t.pval,'pVal'})
disp('----------------------------------------------')
disp(['R-Cuadra: ' num2str(stats.rsquare) ' R-adjrsquare: ' num2str(stats.adjrsquare)])
disp(['R-dwstat: ' num2str(stats.dwstat.dw) ' pval-dwstat : ' num2str(stats.dwstat.pval)])
disp(['f_stat : ' num2str(stats.fstat.f) ' pval_fstat : ' num2str(stats.fstat.pval)])
disp('----------------------------------------------')
disp(['Obs: ' num2str(stats.fstat.dfe)])
disp(['mse: ' num2str(stats.mse)])
CoeffTable =
Coef StdErr tStat pVal
0.018291 0.015393 1.1882 0.23481
0.048474 0.019286 2.5134 0.011987
----------------------------------------------
R-Cuadra: 0.0011546 R-adjrsquare: 0.00097179
R-dwstat: 2.2151 pval-dwstat : 1.9984e-015
f_stat : 6.317 pval_fstat : 0.011987
----------------------------------------------
Obs: 5465
mse: 1.2953
%% Análisis de residuos
% La expresión anterior permite analizar los residuos y la estimación de la variable dependiente
yestimada = yhat
residuos = r;
test de normalidad de los residuos:
1. qqplot: [qqplot(residuos)]
